第73章 情绪指标（2/2）

每个特征都要做标准化处理，与原有的技术指标在同一个量纲上。林晨修改了之前重构的特征工程模块，新增了SeFeatureExtractor类，实现了这些计算逻辑。

三天后，爬虫任务完成。服务器上积累了2800多万条评论数据，压缩后仍有40多GB。林晨在本地只下载了情绪特征的计算结果——每只股票每个交易日的几个数值，数据量骤降到几MB。

他将情绪特征加入模型，重新训练。

等待训练结果时，林晨有些忐忑。这可能是他失业以来最专注的一次技术探索——不是为了面试，不是为了证明自己，而是纯粹想解决一个真实的问题。这种状态让他想起大学时通宵写代码参加竞赛的日子，虽然累，但心里踏实。

下午四点，训练结束。

林晨屏住呼吸，点开回测报告。

策略表现对比（过去三年）

原策略（15个技术特征）：年化收益19.5%，最大回撤7.1%，夏普比率2.3

新策略（技术特征＋情绪特征）：年化收益21.2%，最大回撤6.8%，夏普比率2.6

提升了。

虽然幅度不大，但关键是在那几个情绪化交易日，新策略的预测准确率显着提高。模型学会了识别“市场过热”和“恐慌过度”的信号，在情绪极端时给出了更保守或更激进的操作建议。

林晨靠向椅背，长长吐出一口气。

窗外的鹏城湾华灯初上，写字楼的玻璃幕墙反射着夕阳余晖。他忽然意识到，自己刚刚完成了一次有趣的“跨界”——把自然语言处理技术应用到了量化投资领域。这不是教科书上的案例，而是他为了解决实际问题自己摸索出来的路径。

这种成就感，比拿到一个高薪offer更让他兴奋。

他打开实盘监控界面，新策略已经自动部署。系统在下午收盘前给出了三个调仓信号，都是基于技术面稳健、但情绪面出现短期过度悲观的机会。林晨确认了风控参数，点击“执行”。

交易指令发出，7万多的资金开始流动。

做完这些，林晨才感觉到饥饿。他煮了碗面条，端着碗坐回电脑前，又点开了股吧页面——这次不是爬虫视角，而是作为一个普通用户。

他随机点开一只今天跌停的股票评论区。置顶的帖子标题是：“兄弟们，天台冷吗？我来了”。

“别慌，明天肯定反弹！”

“我已经躺平了，爱咋咋地。”

“主力洗盘而已，拿住了。”

“楼上的别害人了，这公司基本面早烂了。”

每条评论背后，都是一个真实的人，真实的情绪，真实的金钱得失。林晨的模型把这些情绪转化成了0到1之间的数字，转化成了特征向量，转化成了权重参数。但那些深夜无法入睡的焦虑，那些割肉离场时的不甘，那些意外盈利时的狂喜——这些温度，代码能捕捉吗？

“也许不能完全捕捉”，林晨想，“但至少，我在尝试理解”。

他吃完面条，把碗洗了。回到电脑前，又有了新想法：情绪数据源不应该只有股吧。微博、财经新闻、券商研报的语气……这些都可以爬取分析。甚至，可以尝试用深度学习模型做更细粒度的情绪分类——乐观、悲观、愤怒、恐惧、贪婪……

这个系统，还有太多可以进化的空间。

夜深了，林晨却没有睡意。他调出今天情绪特征最极端的几只股票，一只只查看它们的走势和评论。在“鹏城科技”这只股票上，他发现了有趣的现象：技术指标显示超卖，情绪得分极低（0.18，极度悲观），但模型给出的建议却是“观望”，而非“买入”。

林晨点开这家公司的基本面资料，眉头渐渐皱起。

原来，明天是它的限售股解禁日。